针对传统语义分割网络变化检测结果易受阴影及其他地物干扰、建筑物边界分割较为粗糙的问题，提出一种轻量级双侧输入的变化检测网络D-WNet。新网络从W-Net出发，采用深度可分离卷积块和空洞空间金字塔池化模块代替原本繁琐的卷积和下采样过程，利用右侧线特征编码器加强高低维特征的融合，同时在解码器上采样部分引入通道和时空注意力机制获取网络在不同维度下的有效特征，得到的D-WNet在性能方面有明显提升。在公开的WHU和LEVIR-CD建筑物变化检测数据集上进行实验，并与W-Net、U-Net、ResNet、SENet和DeepLabv3+语义分割网络进行对比。实验结果表明，D-WNet在交并比、F1值、召回率、准确率和运行时间等5项指标中综合表现优异，对阴影干扰及建筑物边缘区域具有更精确的变化检测结果。

随着现代遥感技术的快速发展, 遥感影像变换检测技术受到重视并被应用到地理国情检测、 土地调查、 生态系统监测、 食品安全保障和**侦察等领域。 高光谱影像所具有的更精细的光谱分辨率以及多时相高光谱影像所提供的更加丰富和更为详细的光谱变化信息为进一步精细判断地表的变化提供了可能。 然而高光谱影像高复杂度的数据结构、 高维度的数据特征、 高冗余信息, 以及不同时相光谱信息对环境的敏感性极大地增加了多时相高光谱变化检测的难度。 文章以变化检测过程中所涉及的技术手段为主线, 首先从六个方面对多时相高光谱影像变化检测的研究动态及现状进行分析, 包括: (1) 基于高光谱影像间广义相似度度量的传统高光谱影像变化检测方法, 该类方法主要沿用了高光谱影像出现之前多光谱变化检测的技术路线; (2) 基于降维的高光谱影像变化检测方法, 该类方法主要为克服高光谱影像所具有的高维度、 高冗余等特性给变化检测带来的不良影响而展开; (3) 基于统计建模的高光谱影像变化检测方法, 该类方法通过对高光谱影像的统计特性和多维度相关性进行挖掘和建模来确定各像元的变化属性; (4) 基于分类方法的高光谱影像变化检测方法, 该类方法将图像的分类策略引入到变化检测过程中为获得“from-to”类型的变化信息提供保障; (5) 基于光谱解混的高光谱影像变化检测方法, 该类方法主要面对高光谱影像低空间分辨率所带来的混合像元问题如何提取精细的变化信息而展开; (6) 基于深度学习的高光谱影像变化检测方法, 该类方法通过将深度学习技术应用于多时相高光谱变化检测中而产生的一类新兴而具有发展前景的变化检测技术。 进一步, 对目前多时相高光谱影像变化检测中面临的挑战性问题进行了提炼和分析展望。

合成孔径雷达图像变化检测中的差异图生成对变化检测二值图生成有着重要作用。现有的差异图构建方式主要集中在空间域滤波上，不能完好保留变化信息，且对频域内滤波方式考虑较少。为提高SAR影像变化检测的模型泛化能力和检测的准确率，提出了一种基于双域滤波的SAR影像变化检测方法。首先，对原始SAR影像在空间域进行滤波，采用自适应中值滤波后构建对数比算子，采用均值滤波后构建差值算子。然后，利用Laplace融合算法对空域中的差异图进行融合，综合不同差异算子的特征信息。最后，将融合后的图像通过傅里叶变换变换至频域内，进行频域低通滤波以检测图像变化。实验使用伯尔尼、渥太华、旧金山和黄河口4组数据进行验证，表明了双域滤波后的差异影像在聚类方法中的有效性。

针对合成孔径雷达（SAR）图像变化检测中差异图质量不佳、检测精度偏低以及检测时间长等问题，提出了一种基于对数双曲余弦比（LHCR）差异图构造与多区域特征卷积极限学习机的无监督变化检测新方法。该方法主要由差异图生成和差异图分析两个阶段组成。在差异图生成阶段，利用各向异性扩散滤波器对同一地区不同时间的两幅SAR图像分别滤波，使用对数双曲余弦变换对滤波后的图像进行增强，通过对数比处理得到LHCR差异图，在抑制相干斑噪声的同时，增强差异图的对比度。在差异图分析阶段，应用分层模糊C均值聚类得到变化类、不变类和中间不确定类的预分类结果；进而从差异图、双时相SAR图像中获取多区域样本块，构成三通道数据输入卷积层进行特征提取。特征具有强调中心区域、抑制边缘噪声的特点；最后，使用变化类和不变类的特征向量进行极限学习机分类训练，再用训练好的模型对中间不确定类像素自动分类实现变化检测。Radarsat-2和高分三号数据集的实验结果表明了所提方法的有效性。

为解决传统DeepLabv3+算法在遥感影像变化检测上出现的边缘目标分割不精确、分类结果差的问题，提出了一种改进DeepLabv3+的高分辨率遥感影像变化检测方法。首先，基于深度分离卷积与空洞卷积构建了DeepLabv3+模型，大大降低了模型的计算量和参数量。其次，通过引入异感受野改进池化金字塔结构，同时在解码器模块中加入多尺度特征张量，对中间流结构进行残差改造，优化Xception骨干网络，并通过设置权重系数对网络通道进行权重配置优化，从而改进DeepLabv3+模型。最后，采用非生成性和生成性样本扩充方法构建数据集，并通过实验对比分析了所提方法的检测精度与泛化性能。实验结果表明，所提方法能够有效改善图形的输出分辨率和细节特征，具有良好的泛化性能和较高的检测准确率，且与其他对比方法相比，所提方法的图像检测准确率较高，整体精度指标最高可达96.4%。

针对传统语义分割网络检测精度低，对中、小尺度目标存在误检漏检，对边界分割粗糙等现象，提出了一种基于深度学习的高分辨率遥感图像建筑物变化检测方法。采用编码-解码结构，在编码阶段采用残差网络提取图像特征，并为编码器最深层特征引入空洞卷积和金字塔池化模块，增大感受野以提取多尺度图像特征；在解码阶段使用注意力模块突出有用特征，接着聚合不同尺度不同分辨率的特征。在大型遥感建筑物变化检测数据集上进行实验。结果表明，所提方法在获取深层语义信息的同时可以较好地关注到细节信息，在精确率、召回率、F1分数上均有明显提升，在多尺度目标检测、建筑物边界提取等方面优于其他常用的语义分割网络。

针对合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中存在的差异图细节信息丢失的问题,提出了一种面向SAR图像像素级变化检测的去模糊化处理方法。通过对差异图漏检像素点分布的理论分析,提出了一种新型的差异图构造方法,将新型差异图构造方法生成的差异图与经典的像素级差异图构造算法生成的差异图相融合,实现了差异图的边缘去模糊化。以均值比值算法为例,实验结果表明,新型差异图构造方法得到的差异信息与邻域变化检测算法得到的差异信息具有较强的互补性;利用新型差异图构造方法进行去模糊化处理后,得到的差异图在主观上更接近真实地物的变化情况,在客观上变化检测结果的漏检数降低,变化检测的精度有所提高。

针对遥感图像语义分割中存在对多尺度目标的漏检和分割边界粗糙等问题,提出了一种基于注意力金字塔网络的航空影像建筑物变化检测方法。该方法采用编码-解码结构,在编码阶段使用ResNet101作为基础网络来提取特征,并在部分残差模块应用空洞卷积增大感受野,同时将金字塔池化结构作为编码网络的最后一层,以提取图像多尺度特征;在解码阶段的横向连接过程中引入注意力机制以突出重要特征,并采用自上而下的密集连接方式计算特征金字塔,有效融合不同阶段、不同分辨率的特征。在大型建筑物变化检测数据集上进行验证实验,实验结果表明所提方法在对不同尺寸建筑物目标的变化检测中展现出了良好的适应性,相比于经典语义分割网络具有一定的优势。

卫星遥感技术的快速发展为土地利用变化的检测提供了重要的技术支撑。为了进一步提高土地利用变化的检测精度,提出了AlexNet和支持向量机(SVM)相结合的土地利用变化分类方法。利用2013—2017年江西省南昌市的高分一号卫星遥感影像,生成该地区在这5年内的土地利用变化图,分析土地利用变化的特征。结果表明:研究区的土地类型主要以植被、水体、裸地和建筑用地为主;在这5年中,植被面积变化得最大,减少了54.74 km 2,水体面积增加了22.12 km 2,建筑用地面积增加了19.45 km 2,裸地面积增加了5.17 km 2。